Heterogeneous Causal Metapath Graph Neural Network for Gene-Microbe-Disease Association Prediction

要約

人間の医学における微生物への最近の焦点は、病気の遺伝的枠組みにおける微生物の潜在的な役割を浮き彫りにしています。
遺伝子、微生物、疾患間の複雑な相互作用を解読するには、遺伝子-微生物-疾患 (GMD) の関連性をコンピューターで予測することが重要です。
既存の方法は主に遺伝子疾患および微生物疾患の関連に取り組んでいますが、より複雑な三重の GMD 関連についてはあまり調査されていません。
この論文では、GMD 関連を予測するための Heterogeneous Causal Metapath Graph Neural Network (HCMGNN) を提案します。
HCMGNN は、遺伝子、微生物、疾患をペアごとの関連性を通じてリンクする異種グラフを構築し、6 つの事前定義された因果メタパスを利用して有向因果サブグラフを抽出します。これにより、3 つのエンティティ タイプ間の因果関係のマルチビュー分析が容易になります。
各サブグラフ内では、ノード表現の学習に因果的意味共有メッセージ パッシング ネットワークを採用し、GMD 関連を予測するためにこれらの表現を統合するための注意深い融合手法と組み合わせています。
私たちの広範な実験により、HCMGNN が GMD 関連を効果的に予測し、グラフのセマンティクスと構造を強化することで関連のスパース性の問題に対処することが示されました。

要約(オリジナル)

The recent focus on microbes in human medicine highlights their potential role in the genetic framework of diseases. To decode the complex interactions among genes, microbes, and diseases, computational predictions of gene-microbe-disease (GMD) associations are crucial. Existing methods primarily address gene-disease and microbe-disease associations, but the more intricate triple-wise GMD associations remain less explored. In this paper, we propose a Heterogeneous Causal Metapath Graph Neural Network (HCMGNN) to predict GMD associations. HCMGNN constructs a heterogeneous graph linking genes, microbes, and diseases through their pairwise associations, and utilizes six predefined causal metapaths to extract directed causal subgraphs, which facilitate the multi-view analysis of causal relations among three entity types. Within each subgraph, we employ a causal semantic sharing message passing network for node representation learning, coupled with an attentive fusion method to integrate these representations for predicting GMD associations. Our extensive experiments show that HCMGNN effectively predicts GMD associations and addresses association sparsity issue by enhancing the graph’s semantics and structure.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google